map/reduce的云概念非常相似，但改為并行工作。首先，每個數據對象通過一個函數傳遞給一個新對象（通常是某種字典）。然后，對map返回的對象對調用reduce函數，直到只剩下一個。這是map/reduce操作的結果。在

一個重要的考慮因素是，由于并行化，reduce函數必須能夠接收來自map函數的對象以及來自之前的reduce函數的對象。當您考慮并行化如何進行時，這會更有意義。許多機器將各自的數據縮減為單個對象，然后這些對象將被縮減為最終輸出。當然，如果有大量的數據，這可能會發生在多個層中。在

在下面的一個簡單的框架中，您可以使用下面的示例來減少單詞的數量：list = ['a', 'foo', 'bar', 'foobar', 'foo', 'a', 'bar', 'bar', 'bar', 'bar', 'foo']

list2 = ['b', 'foo', 'foo', 'b', 'a', 'bar']

映射函數如下所示：

^{pr2}$

reduce函數如下所示：def countReduce(d1, d2):

out = d1.copy()

for key in d2:

if key in out:

out[key] += d2[key]

else:

out[key] = d2[key]

return out

然后您可以這樣映射/減少：reduce(countReduce, map(wordToDict, list + list2))

>>> {'a': 3, 'foobar': 1, 'b': 2, 'bar': 6, 'foo': 5}

但您也可以這樣做（并行化就是這樣做的）：reduce(countReduce, [reduce(countReduce, map(wordToDict, list)), reduce(countReduce, map(wordToDict, list2))])

>>> {'a': 3, 'foobar': 1, 'b': 2, 'foo': 5, 'bar': 6}

總結

以上是生活随笔為你收集整理的python与云计算的关系_python map reduce与云计算map/reduce之间的关系？的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。